CN114800486A - 一种基于统计特征的工业机器人故障诊断方法及系统 - Google Patents
一种基于统计特征的工业机器人故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114800486A CN114800486A CN202210238165.7A CN202210238165A CN114800486A CN 114800486 A CN114800486 A CN 114800486A CN 202210238165 A CN202210238165 A CN 202210238165A CN 114800486 A CN114800486 A CN 114800486A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- value
- residual signal
- feedback current
- statistical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000145637 Lepturus Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于统计特征的工业机器人故障诊断方法、系统、计算机设备及存储介质,其方法包括:采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。本发明可以克服工业机器人的反馈电流信号本身呈现出非平稳特性所带来的难以有效检测的问题,同时引入正态分布检测理念可以提高对反馈电流信号的检测准确性。
Description
技术领域
本发明涉及机器人故障诊断技术领域,具体是涉及一种基于统计特征的工业机器人故障诊断方法、系统、计算机设备及存储介质。
背景技术
随着市场对高精度产品的需求激增和精度要求提高,越来越多企业采用工业机器人执行重复的生产工作,然而对工业机器人的使用时间上升也将导致其故障发生频率提高,不仅影响产品质量,甚至容易造成停机事件。因此,如何实现对工业机器人的运行状态进行有效预测,是本发明所需要解决的技术问题。然而,在解决这一技术问题时将会面临两个技术难点:其一,工业机器人的反馈电流信号呈现出非平稳特性,直接对其进行分析处理时的效果不佳;其二,工业机器人在相同程序段下运行多次所得到的反馈电流信号均不相同,这对数据之间的一致性度量带来挑战。
发明内容
本发明提供一种基于统计特征的工业机器人故障诊断方法、系统、计算机设备及存储介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明实施例提供一种基于统计特征的工业机器人故障诊断方法,所述方法包括:
采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;
获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;
基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。
进一步地,所述基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息包括:
根据所述残差信号确定相关的直方分布图和概率密度曲线,通过所述直方分布图与所述概率密度曲线之间的吻合程度以及所述概率密度曲线的对称效果,判断所述残差信号是否初步服从正态分布;
若是,则对所述残差信号的偏度值进行合格性判断,或者对所述残差信号的峭度值进行合格性判断;
若否,则判断所述待测工业机器人处于运行故障状态。
进一步地,所述对残差信号的偏度值进行合格性判断包括:
计算所述残差信号的均值和标准差,进而计算出所述残差信号的偏度值;
获取所述残差信号服从正态分布时的标准偏度值,计算所述偏度值与所述标准偏度值之间的第一差值,再判断所述第一差值是否落在预设差值范围内;
若是,则判断所述待测工业机器人处于正常运行状态;
若否,则判断所述待测工业机器人处于运行故障状态。
进一步地,所述对残差信号的峭度值进行合格性判断包括:
计算所述残差信号的均值和标准差,进而计算出所述残差信号的峭度值;
获取所述残差信号服从正态分布时的标准峭度值,计算所述峭度值与所述标准峭度值之间的第二差值,再判断所述第二差值是否落在预设差值范围内;
若是,则判断所述待测工业机器人处于正常运行状态;
若否,则判断所述待测工业机器人处于运行故障状态。
进一步地,所述根据残差信号确定相关的直方分布图和概率密度曲线包括:
对所述残差信号所包含的各个数据点进行统计处理,确定以幅度值为横坐标、出现次数为纵坐标的直方分布图;
将所述残差信号所包含的各个数据点分别输入至预先创建的概率密度函数中,得到以幅度值为横坐标、概率密度估计值为纵坐标的概率密度曲线,再将所述概率密度曲线以幅度值为关联信息添加至所述直方分布图中进行表示。
另外,本发明实施例还提供一种基于统计特征的工业机器人故障诊断系统,所述系统包括:
基准值计算模块,用于采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;
残差信号获取模块,用于获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;
故障判断模块,用于基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。
另外,本发明实施例还提供一种计算机设备,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行上述的基于统计特征的工业机器人故障诊断方法。
另外,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于统计特征的工业机器人故障诊断方法。
本发明至少具有以下有益效果:通过将工业机器人运行时所产生的反馈电流信号转换成残差信号进行分析,可以克服反馈电流信号本身呈现出非平稳特性所带来的难以有效检测的问题。通过利用正态分布这一统计分析手段对残差信号作进一步分析,可以提高对反馈电流信号的检测准确性,使得技术人员可以及时对出现故障的工业机器人进行维护,从而降低该工业机器人的宕机时间。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明实施例中的一种基于统计特征的工业机器人故障诊断方法的流程示意图;
图2是本发明实施例中的一种基于统计特征的工业机器人故障诊断系统的结构组成示意图;
图3是本发明实施例中的计算机设备的结构组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
请参考图1,图1是本发明实施例提供的一种基于统计特征的工业机器人故障诊断方法的流程示意图,所述方法包括以下步骤:
S101、采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;
在本发明实施例中,针对技术人员所选取的N个合格机器人,首先从i=1开始,控制第i个合格机器人在特定程序段下执行任务且重复执行多次,并对每一次执行过程所产生的电流数据进行采集,由此得到第i个合格机器人的电流数组,进而对该电流数组进行均值处理得到第i个合格机器人的反馈电流数据xi;再将i+1赋值给i,返回执行上述步骤,直至获取到N个合格机器人的反馈电流数据;最后计算出反馈电流基准值为:
S102、获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;
S103、基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。
在本发明实施例中,针对所述残差信号的正态分布检验过程主要划分有初步检测和细化检验这两个步骤,分别如下所述:
(1)根据所述残差信号确定相关的直方分布图和概率密度曲线,通过所述直方分布图与所述概率密度曲线之间的吻合程度以及所述概率密度曲线的对称效果,判断所述残差信号是否初步服从正态分布,其相应的判断结果包括:当技术人员从视觉上观察到所述直方分布图与所述概率密度曲线基本吻合并且所述概率密度曲线呈现出基本的左右对称效果时,判断所述残差信号初步服从正态分布,此时继续跳转执行步骤(2);相反地,当技术人员从视觉上观察到所述直方分布图与所述概率密度曲线吻合效果不佳并且所述概率密度曲线未能呈现出左右对称效果时,判断所述残差信号并不服从正态分布,此时可直接判断出所述待测工业机器人处于运行故障状态。
在本发明实施例中,针对所述残差信号所关联的直方分布图的生成过程为:对所述残差信号所包含的各个数据点进行统计处理,确定以幅度值为横坐标、出现次数为纵坐标的直方分布图。
在本发明实施例中,针对所述残差信号所关联的概率密度曲线的生成过程为:将所述残差信号所包含的各个数据点分别输入至预先创建的概率密度函数中,得到以幅度值为横坐标、概率密度估计值为纵坐标的概率密度曲线,其中所述概率密度函数为:
此外,为了更好地观察所述直方分布图与所述概率密度曲线之间的吻合程度,本发明实施例提出将所述概率密度曲线以幅度值为关联信息添加至所述直方分布图中进行表示。
(2)对所述残差信号的偏度值进行合格性判断,或者对所述残差信号的峭度值进行合格性判断,进而验证所述残差信号是否服从正态分布。
具体的,对所述残差信号的偏度值进行合格性判断这一步骤展开说明为:首先计算出所述残差信号的均值μ和标准差σ,进而计算出所述残差信号的偏度值为式中的E为均值操作、为所述残差信号xerror中的第i个数据点;其次获取所述残差信号服从正态分布时的标准偏度值为so,计算所述偏度值s与所述标准偏度值so之间的第一差值为Δs=s-so;最后在识别到所述第一差值Δs落在预设差值范围内时,则判断所述待测工业机器人处于正常运行状态,相反地,在识别到所述第一差值Δs未落在预设差值范围内时,则判断所述待测工业机器人处于运行故障状态。
其中,所述残差信号的偏度值作为判断所述残差信号的分布偏斜方向及其程度的数字特征,规定当所述残差信号属于右偏分布时其对应的偏度值大于0,当所述残差信号属于左偏分布时其对应的偏度值小于0,当所述残差信号属于正态分布时其对应的偏度值为0,因此上述的标准偏度值so取值为0。
具体的,对所述残差信号的峭度值进行合格性判断这一步骤展开说明为:首先计算出所述残差信号的均值μ和标准差σ,进而计算出所述残差信号的峭度值为式中的E为均值操作、为所述残差信号xerror中的第i个数据点;其次获取所述残差信号服从正态分布时的标准峭度值为ko,计算所述峭度值k与所述标准峭度值ko之间的第二差值为Δk=k-ko;最后在识别到所述第二差值Δk落在预设差值范围内时,则判断所述待测工业机器人处于正常运行状态,相反地,在识别到所述第二差值Δk未落在预设差值范围内时,则判断所述待测工业机器人处于运行故障状态。
其中,所述残差信号的峭度值作为反映所述残差信号分布特性的度量,规定当所述残差信号属于厚尾分布时其对应的峭度值大于3,当所述残差信号属于瘦尾分布时其对应的峭度值小于3,当所述残差信号属于正态分布时其对应的峭度值为3,因此上述的标准峭度值ko取值为3。
在本发明实施例中,通过将工业机器人运行时所产生的反馈电流信号转换成残差信号进行分析,可以克服反馈电流信号本身呈现出非平稳特性所带来的难以有效检测的问题。通过利用正态分布这一统计分析手段对残差信号作进一步分析,可以提高对反馈电流信号的检测准确性,使得技术人员可以及时对出现故障的工业机器人进行维护,从而降低该工业机器人的宕机时间。
请参考图2,图2是本发明实施例提供的一种基于统计特征的工业机器人故障诊断系统的结构组成示意图,所述系统包括如下:
基准值计算模块201,用于采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;
残差信号获取模块202,用于获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;
故障判断模块203,用于基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。
关于对一种基于统计特征的工业机器人故障诊断系统中的各个组成模块的具体限定,可以参见上述实施例中对于一种基于统计特征的工业机器人故障诊断方法的限定,在此不再赘述。
本发明实施例提供的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例中的基于统计特征的工业机器人故障诊断方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是说,存储设备包括由设备(例如计算机、手机等)以可读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
此外,图3示出了本发明实施例中的计算机设备的结构组成示意图,所述计算机设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解,图3示出的设备结构器件并不构成对所有设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块,处理器302运行存储在存储器303的应用程序301,从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元304用于接收信号的输入,以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户利用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心,利用各种接口和线路连接整个设备的各个部分,通过运行或执行存储在存储器302内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
作为一个实施例,所述计算机设备包括:一个或多个处理器302、一个或多个应用程序301和存储器303,其中所述一个或多个应用程序301存储在所述存储器303中并被配置为由所述一个或多个处理器302执行,所述一个或多个应用程序301配置用于执行上述实施例中的基于统计特征的工业机器人故障诊断方法。
以上对本发明的较佳实施进行具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (8)
1.一种基于统计特征的工业机器人故障诊断方法,其特征在于,所述方法包括:
采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;
获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;
基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。
2.根据权利要求1所述的基于统计特征的工业机器人故障诊断方法,其特征在于,所述基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息包括:
根据所述残差信号确定相关的直方分布图和概率密度曲线,通过所述直方分布图与所述概率密度曲线之间的吻合程度以及所述概率密度曲线的对称效果,判断所述残差信号是否初步服从正态分布;
若是,则对所述残差信号的偏度值进行合格性判断,或者对所述残差信号的峭度值进行合格性判断;
若否,则判断所述待测工业机器人处于运行故障状态。
3.根据权利要求2所述的基于统计特征的工业机器人故障诊断方法,其特征在于,所述对残差信号的偏度值进行合格性判断包括:
计算所述残差信号的均值和标准差,进而计算出所述残差信号的偏度值;
获取所述残差信号服从正态分布时的标准偏度值,计算所述偏度值与所述标准偏度值之间的第一差值,再判断所述第一差值是否落在预设差值范围内;
若是,则判断所述待测工业机器人处于正常运行状态;
若否,则判断所述待测工业机器人处于运行故障状态。
4.根据权利要求2所述的基于统计特征的工业机器人故障诊断方法,其特征在于,所述对残差信号的峭度值进行合格性判断包括:
计算所述残差信号的均值和标准差,进而计算出所述残差信号的峭度值;
获取所述残差信号服从正态分布时的标准峭度值,计算所述峭度值与所述标准峭度值之间的第二差值,再判断所述第二差值是否落在预设差值范围内;
若是,则判断所述待测工业机器人处于正常运行状态;
若否,则判断所述待测工业机器人处于运行故障状态。
5.根据权利要求2所述的基于统计特征的工业机器人故障诊断方法,其特征在于,所述根据残差信号确定相关的直方分布图和概率密度曲线包括:
对所述残差信号所包含的各个数据点进行统计处理,确定以幅度值为横坐标、出现次数为纵坐标的直方分布图;
将所述残差信号所包含的各个数据点分别输入至预先创建的概率密度函数中,得到以幅度值为横坐标、概率密度估计值为纵坐标的概率密度曲线,再将所述概率密度曲线以幅度值为关联信息添加至所述直方分布图中进行表示。
6.一种基于统计特征的工业机器人故障诊断系统,其特征在于,所述系统包括:
基准值计算模块,用于采集若干个合格机器人在特定程序段下执行任务时的反馈电流数据,进而计算出反馈电流基准值;
残差信号获取模块,用于获取待测工业机器人在所述特定程序段下执行任务时的反馈电流原始信号,计算所述反馈电流原始信号与所述反馈电流基准值之间的残差信号;
故障判断模块,用于基于统计学理论对所述残差信号进行正态分布检验,得到所述待测工业机器人的故障诊断信息。
7.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行如权利要求1-5中任意一项所述的基于统计特征的工业机器人故障诊断方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述的基于统计特征的工业机器人故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238165.7A CN114800486B (zh) | 2022-03-10 | 2022-03-10 | 一种基于统计特征的工业机器人故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210238165.7A CN114800486B (zh) | 2022-03-10 | 2022-03-10 | 一种基于统计特征的工业机器人故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114800486A true CN114800486A (zh) | 2022-07-29 |
CN114800486B CN114800486B (zh) | 2023-11-07 |
Family
ID=82529067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210238165.7A Active CN114800486B (zh) | 2022-03-10 | 2022-03-10 | 一种基于统计特征的工业机器人故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114800486B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116533253A (zh) * | 2023-07-03 | 2023-08-04 | 佛山智能装备技术研究院 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
CN116572256A (zh) * | 2023-07-13 | 2023-08-11 | 佛山智能装备技术研究院 | 一种工业机器人状态监测与故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103130095A (zh) * | 2011-11-30 | 2013-06-05 | 深圳市一兆科技发展有限公司 | 一种电梯故障预警方法及相关服务器 |
CN103278771A (zh) * | 2013-05-22 | 2013-09-04 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
CN106772195A (zh) * | 2017-01-04 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种计量系统电流互感器长期误差稳定性可靠性评价方法 |
CN109842373A (zh) * | 2019-04-15 | 2019-06-04 | 国网河南省电力公司电力科学研究院 | 基于时空分布特性的光伏阵列故障诊断方法及装置 |
CN110919657A (zh) * | 2019-12-10 | 2020-03-27 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
CN112420082A (zh) * | 2019-08-21 | 2021-02-26 | 株式会社东芝 | 磁盘装置 |
CN113733164A (zh) * | 2021-11-08 | 2021-12-03 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
US20220045599A1 (en) * | 2020-08-04 | 2022-02-10 | Research & Business Foundation Sungkyunkwan University | Method for controlling fault using switching technique of three phase four wire interlinking converter |
-
2022
- 2022-03-10 CN CN202210238165.7A patent/CN114800486B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103130095A (zh) * | 2011-11-30 | 2013-06-05 | 深圳市一兆科技发展有限公司 | 一种电梯故障预警方法及相关服务器 |
CN103278771A (zh) * | 2013-05-22 | 2013-09-04 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
CN106772195A (zh) * | 2017-01-04 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种计量系统电流互感器长期误差稳定性可靠性评价方法 |
CN109842373A (zh) * | 2019-04-15 | 2019-06-04 | 国网河南省电力公司电力科学研究院 | 基于时空分布特性的光伏阵列故障诊断方法及装置 |
CN112420082A (zh) * | 2019-08-21 | 2021-02-26 | 株式会社东芝 | 磁盘装置 |
CN110919657A (zh) * | 2019-12-10 | 2020-03-27 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
US20220045599A1 (en) * | 2020-08-04 | 2022-02-10 | Research & Business Foundation Sungkyunkwan University | Method for controlling fault using switching technique of three phase four wire interlinking converter |
CN113733164A (zh) * | 2021-11-08 | 2021-12-03 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
尚应荣,等: "一种双工业机器人协同加工的轨迹规划方法", 《工业控制计算机》, vol. 32, no. 2, pages 62 - 64 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116533253A (zh) * | 2023-07-03 | 2023-08-04 | 佛山智能装备技术研究院 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
CN116533253B (zh) * | 2023-07-03 | 2023-09-19 | 佛山智能装备技术研究院 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
CN116572256A (zh) * | 2023-07-13 | 2023-08-11 | 佛山智能装备技术研究院 | 一种工业机器人状态监测与故障诊断方法 |
CN116572256B (zh) * | 2023-07-13 | 2023-09-19 | 佛山智能装备技术研究院 | 一种工业机器人状态监测与故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114800486B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN114800486B (zh) | 一种基于统计特征的工业机器人故障诊断方法及系统 | |
US8594826B2 (en) | Method and system for evaluating a machine tool operating characteristics | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
US20210406727A1 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
US20220137611A1 (en) | Abnormality determination apparatus, learning apparatus and abnormality determination method | |
Kitchenham et al. | Design metrics in practice | |
CN113009823A (zh) | 用于控制机器的方法和设备 | |
CN111522725A (zh) | Ssd性能自动评估方法、装置、设备及介质 | |
CN113211426B (zh) | 机器人故障诊断方法、装置、计算机设备以及存储介质 | |
US8565910B2 (en) | Manufacturing execution system (MES) including a wafer sampling engine (WSE) for a semiconductor manufacturing process | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
JP7223947B2 (ja) | 製造条件計算装置、製造条件計算方法及び製造条件計算プログラム | |
CN112162528A (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
Landin et al. | An intelligent monitoring algorithm to detect dependencies between test cases in the manual integration process | |
JP2022002029A (ja) | データ解析システム、データ解析方法及びデータ解析プログラム | |
CN110688309A (zh) | 基于需求的通用型软件测试用例序列定量评价方法 | |
Wang et al. | Empirical study on the correlation between software structural modifications and its fault-proneness | |
Mühlbauer et al. | An Approach to Progress Monitoring of Industrial Manual Processes Based on Camera Recordings and Object Interactions | |
CN116882361B (zh) | 芯片缺陷分析方法、电子设备及存储介质 | |
Camargo Cruz | Exploratory study of a UML metric for fault prediction | |
CN109389229A (zh) | 以技术分析为导向的仪控设备维修策略分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |